基于改進SSD模型的給水管道內缺陷識別

摘 要：監測給水管道內部的缺陷以防潛在風險是水質安全監控的重要組成部分。為了準確識別并定位管道內的缺陷，本文開發了一種基于SSD目標檢測模型的改進模型，該模型結合了CBAM（Convolutional Block Attention Module）和遷移學習技術，可用于管道缺陷的自動檢測。在SSD網絡中加入CBAM可加強模型的特征識別能力，遷移學習則利用預訓練模型加速學習過程并提高特定任務的表現。試驗結果表明，與傳統SSD模型相比，本文改進模型在缺陷檢測的AP和mAP分數上都有顯著提升，證明了其在給水管道內缺陷識別中的應用潛力。

關鍵詞：給水管道；缺陷識別；SSD模型；遷移學習

中圖分類號：TU 992" " " " 文獻標志碼：A

給水管道系統是城市基礎設施的重要組成部分，其安全與效率對公共健康和環境持續性具有深遠的影響[1-3]。隨著時間推移，管道系統可能因腐蝕、結垢和裂紋等多種原因而出現缺陷，這些缺陷如果沒有得到及時發現和處理，就可能造成嚴重的水質問題甚至管道破裂。傳統的給水管道檢測方法主要采用機器視覺[4-5]和圖像處理[6-7]等，這些方法耗時、耗力，難以滿足城市快速發展需求。

目前，計算機視覺技術的發展為自動化和智能化管道檢測提供了新的可能。尤其是單階多框檢測器（Single Shot MultiBox Detector，SSD）模型具有高效的檢測速度和良好性能，應用廣泛。然而，當直接應用于給水管道缺陷識別時，SSD模型面臨識別小型和模糊缺陷、適應光照變化和復雜背景干擾的挑戰。

為了解決這些問題，本文提出了基于SSD模型的改進模型，引入卷積塊注意力模塊（Convolutional Block Attention Module，CBAM）以增強模型對關鍵特征的關注能力，并采用遷移學習方法，利用大規模預訓練數據集來提升模型在特定給水管道環境下的表現。通過這種方式，模型能夠有效提高給水管道內缺陷檢測精度。下文將詳細介紹模型的架構、試驗設置以及在實際管道缺陷數據集中的表現評估。

1 SSD模型結構

SSD目標檢測模型可在單次前向傳播中進行高效率的目標檢測，這種一步到位的檢測方式在保證較高準確率的同時顯著提高了處理速度，其模型結構如圖1所示。

SSD模型的核心優勢是使用多尺度特征圖，使模型能夠有效識別不同大小的對象。此外，SSD還引入了錨框機制，即在每個特征圖單元中預設多個錨框（默認框）。這些錨框具有不同的尺寸和長寬比，每個錨框都用來預測對應的真實框的偏移及其所屬類別的概率。這種方法使SSD能夠在圖像中的任何位置檢測到目標。

SSD模型的損失函數結合了定位損失和置信度損失。定位損失用于衡量預測框與真實框間的位置偏差，通常采用Smooth L1損失；置信度損失用于評估預測的類別與真實類別間的誤差，通常采用Softmax損失。利用這2種損失的合理加權，SSD能夠在訓練過程中優化目標的位置和類別預測，提高檢測性能。SSD模型的高效性還體現在能夠利用非極大值抑制處理多個重疊預測框，篩選出最佳預測結果。這種整合了特征提取、目標檢測和后處理的綜合性設計，使SSD在實時視頻分析和圖像處理領域表現優異。

2 基于改進SSD和遷移學習的模型構建

2.1 改進SSD模型

為了提升SSD模型在給水管道內缺陷識別中的性能，本文進行了改進，即在SSD模型的基礎上，在Conv4×3和Conv7這2層引入CBAM模塊，以增強模型對特征的感知能力，如圖2所示。

CBAM是一種注意力機制模塊，利用聚焦于輸入特征的重要部分來提高網絡的表達能力，從而提高對小型和模糊缺陷的識別準確性。在給水管道內缺陷識別中，CBAM可以幫助模型更好地聚焦于裂紋、沉積物等細節，以提高檢測效果。具體來說，CBAM模塊依次進行空間注意力（Spatial Attention）和通道注意力（Channel Attention）計算。首先，進行通道注意力計算。通過全局平均池化和全局最大池化來獲取特征圖的統計信息。其次，利用這些信息并通過共享網絡學習不同通道的重要性權重。這一步驟增強了模型對重要通道特征的關注，從而提高了對特征的提取能力。在通道注意力的基礎上，對聚焦的通道特征圖進行空間維度注意力學習。基于空間注意力機制，模型能夠更關注圖像中的關鍵位置，可提高模型對空間位置的敏感度，從而提升對復雜背景下缺陷的檢測能力。例如，當處理給水管道內壁上由光照變化導致的陰影和反光區域時，CBAM模塊能夠有效區分實際缺陷和環境噪聲，從而提高檢測的準確性和魯棒性。

2.2 遷移學習

本文使用了遷移學習策略，以提高模型對新領域數據的適應性和泛化能力。遷移學習允許模型將一個任務中學到的知識應用到另一個相關但不同的任務中。本模型將VGG-16網絡作為基礎架構，并預加載ImageNet數據集中訓練的權重，這樣做的目的是將已有的豐富特征學習能力作為起點。

在給水管道內缺陷識別任務中，遷移學習能夠加速模型的訓練過程，提高模型在特定任務中的表現。通過預加載VGG-16的權重，模型初始化時已經具備了較強的特征提取能力，只需要在較小的給水管道數據集上進行微調即可適應新任務。微調過程包括調整模型參數，使其能夠更好地識別和分類處理給水管道中的各種缺陷。具體來說，通過遷移學習，模型利用預訓練權重在初期階段快速學習到管道缺陷的基本特征，例如裂紋、沉積物等。進而在后續訓練中，針對特定的缺陷類型進行精細調整，使模型在處理這些特定類型的缺陷過程中能夠表現得更精準、高效。這種方法不僅減少了模型的訓練時間，還提高了模型的泛化能力和適應性，使其能夠在復雜和多變的實際環境中保持較高的檢測精度。

3 試驗與分析

3.1 數據集構建

本文針對水下管道內缺陷識別問題，在實際工程視頻中采集了大量圖像，并構建了一個專門的水下管道內缺陷識別數據集。為了提升數據集的質量和多樣性，本文采用了多種圖像增強技術，包括對比度調整、亮度調整和旋轉等方法。這些增強措施可使最終數據集的規模達到8 660張圖像。數據集覆蓋了6種不同的管道狀態，包括泄露、沉積泥沙、沉積石塊、氣囊、其他異物和無缺陷管道。為了有效訓練和評估模型，按照7∶2∶1的比例將數據集劃分為訓練集、驗證集和測試集，并進行手動標注。此外，為了保證數據的均衡性，需要保證各類缺陷的訓練樣本均為1 000張左右。

3.2 模型訓練

水下管道內缺陷識別數據集構建完成后，使用改進的SSD模型在數據集中進行訓練。具體的訓練參數如下：輸入圖像尺寸為300×300，權重衰減參數為2×10-4，批量大小為32，最大學習率設為0.001，最小學習率設為0.000 01，模型使用Adam優化器進行優化。

3.3 損失函數

在訓練過程中，損失函數用于衡量模型預測與真實值間的差異。本文采用的損失函數包括2個主要部分：定位損失（localization loss）和置信度損失（confidence loss），兩者結合可用于優化模型在給水管道內缺陷識別中的性能。

定位損失用于測量預測邊界框（bounding box）與真實邊界框間的偏差。在SSD中，通常將Smooth L1 Loss作為定位損失，這是一種比標準L1損失魯棒性更強的版本，對異常點（outliers）不敏感。當Smooth L1損失值小于一定閾值（例如1）時表現為平方損失，大于該閾值時表現為L1損失，從而能夠平滑地減少大誤差對總損失的影響。使用l和g分別表示預測框和真實框的位置，定位損失Lloc（x，l，g）可以表示為公式（1）。

（1）

式中：xkij=1為第i個預測框對應的第j個真實框，并且正確的類別是k；smothL1為Smooth L1損失函數； cx、cy分別為中心點的坐標；w、h分別為寬度和高度；m為坐標維度的索引；i為預測框的索引；N為總的預測框數量；Pos為正樣本集合；lim為第i個預測框在第m維度上的位置；gjm為第j個真實框在第m維度上的位置。

置信度損失衡量預測類別與真實類別間的誤差，在SSD中通常由Softmax損失實現。這種損失函數能夠比較預測的類別概率分布與實際的類別概率分布，以此評估分類的準確性，如公式（2）所示。

（2）

式中：為模型預測第i個框為類別k的概率；xkij=1為第i個預測框對應的真實類別是k；Neg為被選擇為負樣本（非目標類）的框；Lconf（x，c）為置信度損失函數，計算模型在預測類別上的誤差，其中x為真實的類別標簽信息，c 為模型的預測結果。

SSD的總損失函數是定位損失和置信度損失的加權和，如公式（3）所示。

（3）

式中：α為一個平衡定位損失與置信度損失的權重系數；N為匹配到真實框的預測框數量，用于規范化損失。

多次迭代訓練可最小化總損失函數，使模型能夠逐漸提高對給水管道內缺陷（如裂紋、沉積物等）的檢測精度。在優化過程中，定位損失能幫助模型更準確地定位缺陷區域，置信度損失則保證模型能夠對各類缺陷進行正確分類。

3.4 評估指標

在給水管道內缺陷識別中，本文將平均精度（Average Precision，AP）和平均精度均值（mean Average Precision，mAP）作為主要評估指標，量化模型對各種缺陷類型的檢測性能。AP計算了召回率-精確率曲線（Precision-Recall Curve，PR Curve）下的面積。下文將具體解釋精確率與召回率。

精確率（Precision）是模型正確識別為正類的樣本數與所有被識別為正類的樣本數的比率。精確率高說明模型在其判斷樣本為正類時更準確。在給水管道內缺陷識別任務中，精確率反映了模型檢測出缺陷的可靠性。例如，當模型識別出某個區域存在裂紋時，精確率高表明該識別結果更可能是正確的。召回率（Recall）也稱為真正率，是模型正確識別為正類的樣本數與所有實際正類樣本數的比率。召回率高表示模型能夠捕捉到更多的正類樣本。在給水管道內缺陷識別中，召回率反映了模型發現所有實際缺陷的能力。高召回率表示模型能夠檢測到更多的實際缺陷，例如裂紋、沉積物等，從而降低漏報率。

召回率-精確率曲線受模型預測正類的閾值的影響。隨著閾值發生變化，召回率和精確率會發生變化。一般來說，當召回率增加時，精確率會下降，反之亦然。該曲線有助于了解模型在不同閾值下的表現。平均精度（AP）是召回率-精確率曲線下的面積，如公式（4）所示。

AP=∫0p（r）dr " " " " " （4）

式中：p（r）為給定召回率r時的精確率。

在實際操作中，召回率和精確率通常是離散計算的，因此AP可以利用公式（5）進行近似計算。

（5）

式中：Rk和Pk分別為第k個閾值對應的召回率和精確率；n為閾值的數量。

mAP是所有類別的平均檢測性能指標。對每個缺陷類別分別計算AP值后，將所有類別的AP值取平均，即可得到mAP。

3.5 結果分析

為驗證模型的性能，本文將原始的SSD模型、加入CBAM模塊的模型、進行遷移學習的SSD模型與本文提出的完整的模型進行對比試驗，即在構建的給水管道內缺陷數據集的訓練集中按照第3.2節的試驗配置進行訓練，并在測試集上進行測試，試驗結果見表1。

由表1結果可知，所有模型在每種缺陷類型中的表現均隨技術增強而提高，尤其是在結合CBAM和遷移學習的情況下，模型性能有顯著提升。CBAM增強了模型的特征表達能力，使其在進行特征學習過程中更關注于圖像中的關鍵部分，表明模型可以更有效地從圖像中提取出有助于識別各種缺陷的信息。遷移學習提供了一組已經在復雜環境下學習過的權重，這些權重可以使模型在特定任務上更快達到優化狀態，并降低過擬合風險（模型已經學習了多樣化數據中的通用特征）。二者結合使模型不僅能夠捕捉到缺陷類型的詳細特征，還能在復雜背景下保持較高的性能和穩定性。

4 結語

本文研究了一種改進的SSD模型，結合CBAM（卷積塊注意力模塊）和遷移學習技術，提高了給水管道內部缺陷的識別精度。試驗結果驗證了這種方法的有效性，顯示出其在水質安全監控領域的應用潛力。盡管改進的SSD模型在性能上有顯著提升，但是仍然具有一定局限性。模型的計算復雜度因引入CBAM而增加，可能會影響模型在實時應用中的部署效率。針對現有模型缺點，未來可以研究更高效的算法或簡化CBAM結構，以減少模型的計算需求，使其更適合實時監測應用。此外，優化模型的架構可能還包括引入輕量級的神經網絡層和采用更高效的訓練技術，在保持模型性能的同時減少其對硬件資源的依賴。

參考文獻

[1]張偉，余健，李葳，等.廣州市排水管道沉積現狀研究分析[J].給水排水，2012，38（7）：147-150.

[2]戶瑩.基于深度學習的地下排水管道缺陷智能檢測技術研究[D].西安：西安理工大學，2019.

[3]王俊嶺，鄧玉蓮，李英，等.排水管道檢測與缺陷識別技術綜述[J].科學技術與工程，2020，20（33）：13520-13528.

[4]李華，劉陽，孟祥鵬，等.基于機器視覺的管道通徑內檢測技術[J].油氣儲運，2019，38（10）：1165-1169.

[5]李忠虎，張琳，閆俊紅，等.基于機器視覺的管道內表面三維重建研究[J].內蒙古科技大學學報，2017，36（2）：167-171.

[6]A HAWARI ，MALAMIN M，F ALKADOUR ，et al.Automated defect detection tool for closed circuit television （cctv） inspected sewer pipelines[J].Automation in construction，2018（89）：99-109.

[7]MOTAMEDI M，FARAMARZI F，DURAN O.New concept"for corrosion inspection of urban pipeline networks by digital image processing[J].The journal of urology，2016，195（4）：1079-1080.